modelación y prueba de hipótesis
Xalapa, Ver., 30 enero 2025
¿Descriptivo o comparativo?
¿Cómo se miden las variables (escalas)?
¿Cómo se definen los tratamientos?
¿Cómo se asignan los tratamientos a las unidades de observación?
¿Procesos de confusión?
¿Se usó aleatorización en algún punto?
La obtención de datos cuantitativos puede realizarse de muchas formas distintas, pero siempre se parte de alguna forma de clasificación.
Aunque clasificar puede parecer una tarea simple, muchas cosas dependen justamente de como se hace.
El tipo más simple de medición es aquel en el que las categorías sólo se etiquetan.
Esta es la denominada escala de medición categórica o nominal .
A veces resulta útil expresar mediciones continuas en forma nominal.
Estructura general
Ganancia de peso en un grupo de orugas que declina conforme se incrementa el contenido de taninos en la dieta.
Esta condición puede describirse en forma abreviada así:
ganancia de peso de cada oruga | = | ganancia de peso base en general | + | efecto del contenido de taninos en la dieta | + | efecto de otros factores que fluctuan aleatoriamente |
Como modelo lineal se puede escribir así :
\[ y_{ij} = \beta_0 x_0j + \sum_{i=1}^{k}\beta_i x_{ij} + \varepsilon_{j(i)} \]
Un agrónomo planea estudiar las tasas de producción de cuatro híbridos de trigo en tres regiones geográficas representantes de diferentes condiciones de sequía. Los sitios se escogen según la cantidad de lluvia como normal climatológica y la respuesta es el rendimiento por hectárea. Las semillas de los híbridos son asignadas aleatoriamente a los sitios.
\[ y_{ijk} = \mu + R_i + H_j + RH_{ij} + \varepsilon_{k(ij)} \]
\[ \begin{gather*} y_{ijk} = \mu + \beta_{1k}R_{1k} + \beta_{2k}R_{2k} + \beta_{3k}R_{3k} + \\ \beta_{4k}H_{1k} + \beta_{5k}H_{2k} + \beta_{6k}H_{3k} + \beta_{7k}H_{ik} + \\ \beta_{8k}RH_{1k} + \beta_{9k}RH_{2k} + \beta_{10k}RH_{3k} + \beta_{11k}RH_{ik}+ \\ \beta_{12k}RH_{1k} + \beta_{13k}RH_{2k} + \beta_{14k}RH_{3k} + \beta_{15k}RH_{ik}+\\ \beta_{16k}RH_{1k} + \beta_{17k}RH_{2k} + \beta_{18k}RH_{3k} + \beta_{19k}RH_{ik}+ \varepsilon_{k(ij)} \end{gather*} \]
La forma más común de modelar datos cualitativos es:
\[ H_1 = \left\{ \begin{align*} \text{si } \color{red}{sí} \text{ es híbrido del tipo } a &: 1 \\ \text{si } \color{red}{no} \text{ es híbrido del tipo } a &: 0 \end{align*} \right\} \]
¿a qué hace referencia este nombre?
\[ y = \mu + \beta_1x_1 + \beta_2x_2 \]
μ | x1 | x2 |
|---|---|---|
1 | 1 | 1.5 |
1 | 2 | 2.0 |
1 | 3 | 2.5 |
1 | 4 | 3.0 |
\[ x_2 = 1 + 0.5 x_1 \]
\[ y = \mu + \beta_1x_1 + \beta_2x_2 \]
μ | x1 | x2 |
|---|---|---|
1 | 0 | 1 |
1 | 1 | 0 |
1 | 0 | 1 |
1 | 1 | 0 |
¿hay colinealidad en esta tabla de datos?
\(\ldots\)se enteran que las 64 plántulas provienen en lotes de 8 de distintas cámaras y sustratos de germinación.
¿modificaría esto el diseño y al (los) modelo(s) asociado(s)?